Introducción

Si es su primera vez trabajando con los datos, no está muy familiarizado con el paquete o simplemente quiere conocer más sobre el proyecto y el objetivo de estos ejemplos y el paquete verdata, consulte: https://github.com/HRDAG/CO-examples/blob/main/Introducción/output/Introducción.html antes de continuar.

En este ejemplo se ilustrará el proceso de estratificación para el posterior proceso de estimación del total de víctimas por año del hecho (1985–2018).

Autenticando e importando la base de datos (réplicas)

Se comienza autenticando e importando la base de datos, esto a través de dos funciones del paquete verdata: las funciones confirm_files y read_replicates. La autenticación de los datos es pertinente dado que estos fueron publicados con la licencia de atribución 4.0 internacional de Creative Commons (CC BY 4.0). Esta licencia permite la distribución y modificación de la información. Considerando que usted pudo haber llegado a estos datos por medio de diferentes fuentes, es importante que sepa si han sido modificados o no, para lo que puede hacer uso de estas dos funciones.

La función confirm_files autentica los archivos que han sido descargados. Considerando que cada violación tiene hasta 100 réplicas, esta función permite autenticar cada uno de estos archivos sin necesidad de leerlos a R. Esto, en caso de querer ahorrar recursos computacionales, o en caso de que no vaya a realizar su análisis con todas las réplicas. Esta función devolvera el mensaje “You have the right file!” si los archivos son iguales a los publicados, o el error “This file is not identical to the one published. This means the results of the analysis may potentially be inconsistent.” si no lo son.

verdata::confirm_files(here::here("verdata-replicas/verdata-parquet"), 
                                  "homicidio", 1, 10)

Además, la función read_replicates permite 2 cosas: leer las réplicas a R en una sola tabla (ya sea a partir de un formato csv o parquet) y verificar que el contenido de las réplicas sea exactamente igual al publicado. Cuando el argumento crash tiene su valor por default (TRUE), la función retorna un objeto (data frame) si el contenido es igual, y el mensaje “The content of the files is not identical to the ones published. This means the results of the analysis may potentially be inconsistent.” si el contenido de la base fue previamente alterado/modificada, lo que quiere decir que los análisis que el usuario realice hacer serán inconsistentes y llevarán a resultados erróneos. Este último error significa que nos datos no se han leído a R. Si por alguna razón, usted quiere leer los datos a pesar de saber que no son los mismos datos originamente publicados, puede cambiar el argumento crash a FALSE, y, en ese caso, podrá ver los datos, junto con el mismo mensaje de advertencia.

replicas_datos <- verdata::read_replicates(here::here("verdata-replicas/verdata-parquet"),
                                           "homicidio", 1, 10)

paged_table(replicas_datos, options = list(rows.print = 10, cols.print = 5))

Vemos que tenemos 5 543 690 registros, nuestras réplicas van desde la número 1 hasta la 10. Además, nuestros datos tienen información sobre la categoría de edad de la víctima, el presunto perpetrador, el sexo, el año del hecho, la pertenencia étnica, entre otros. Sin embargo, para centrarnos en un análisis más específico, tal como el realizado para el informe metodológico, procederemos a transformar y/o filtrar algunas variables.

Filtrando las réplicas acorde con el filtro del informe metodológico

La función filter_standard_cev nos permite transformar o filtrar nuestra información.

replicas_filtradas <- verdata::filter_standard_cev(replicas_datos,
                                                   "homicidio", 
                                                   perp_change = FALSE) %>% 
  dplyr::mutate(is_conflict = as.integer(is_conflict)) %>%
  dplyr::filter(is_conflict == 1)

paged_table(replicas_filtradas, options = list(rows.print = 10, cols.print = 5))

Como vemos, el primer proceso fue filtrar nuestros datos según nuestro interés. Seguido de esto procedemos a estratificar. Es importante que usted como usuario vea que este proceso es netamente artesanal, es decir, usted puede usar su propio código o funciones para realizar este proceso que, en nuestro caso, será a través de una función previamente creada (fuera del paquete verdata) para facilitar este ejercicio:

stratify <- function(replicate_data, schema) {
    
    schema_list <- unlist(str_split(schema, pattern = ","))
    
    grouped_data <- replicate_data %>%
        group_by(!!!syms(schema_list))
    
    stratification_vars <- grouped_data %>%
        group_keys() %>%
        group_by_all() %>%
        group_split()
    
    split_data <- grouped_data %>%
        group_split(.keep = FALSE)
    
    return(list(strata_data = split_data,
                stratification_vars = stratification_vars))
    
}

Entonces, en primera instancia creamos una función que necesita de dos (2) argumentos:

• La primera está relacionada con los datos que en nuestro caso son las replicas_filtradas.

• La segunda son nuestras variables de estratificación (schema).

En términos generales, lo que hace esta función es: primero agrupa por nuestras variables de estratificación y guarda esta información en un objeto llamado grouped_data; también definimos el nombre de nuestra estratificación. Luego, split_data va a dividir nuestros datos previamente agrupados (en group_data) retornando una lista: strata_data que será los subconjuntos de datos de acuerdo con la estratificación y stratification_vars que contiene las combinaciones (nombres) de nuestras variables. Sin embargo, es importante aclarar que este ejercicio se realiza para cada réplica, por lo que aplicaremos algo denominado “iteración”, es decir, repetir el proceso varias veces (por réplica). Esto lo veremos con más detalle a continuación:

replicas <- paste0("R", 1:10)
resultados <- list()

for (replica in replicas) {
  strata_data <- replicas_filtradas[replicas_filtradas$replica == replica, ]
  
  var <- "p_str"
  strata <- stratify(strata_data, c("yy_hecho", var, sep = ","))
  
  resultados[[replica]] <- strata
}

replica6_grupo6 <- resultados[["R6"]][["strata_data"]][[6]]

paged_table(replica6_grupo6, options = list(rows.print = 10, cols.print = 5))

replica6_grupo6_estrato <- resultados[["R6"]][["stratification_vars"]][[6]]

paged_table(replica6_grupo6_estrato, options = list(rows.print = 10, cols.print = 5))

Acorde con lo visto en estos códigos, definimos nuestras variables de estratificación, estratificamos nuestros datos filtrados (mostrando algo como unas “mini-bases” de datos, como la réplica 6) y por último definimos los nombres de esas agrupaciones las cuales muestran todas las combinaciones entre estas dos variables (por ejemplo lo que muestra replica6_grupo6_estrato).

Teniendo esta estratificación procederemos a guardar el objeto results en nuestra maquina local (con la función saveRDS) para usarlo en nuestro próximo ejemplo sobre estimación por sistemas múltiples (ESM):

saveRDS(resultados, here::here("Resultados-CEV/output-estratificacion/homicidio-yy_hecho-p_str.rds"))

El siguiente paso es realizar el proceso de estimación y combinación